基于深度学习的废水处理中丝状菌和絮凝菌图像分析

在市政污水处理中，有效的二次澄清依赖于絮状细菌和丝状细菌之间的平衡。因此，对这种平衡进行全面且实时的监测将有助于生物污水处理的可靠运行。本研究提出了一种基于人工智能（AI）的方法，利用深度学习对显微图像中的丝状细菌和絮状细菌进行分类。为了提供真实标签标注，开发了一种基于规则的自动分割算法，该算法结合了颜色和形态学标准，并辅以过滤步骤，以提高对丝状细菌和絮状细菌识别的精度。分割算法在不同背景强度下表现出可靠的细菌检测和分类能力，并能有效识别复杂的微生物结构。随后，监督式深度学习模型在分割后的图像上进行训练，并采用编码器/解码器架构构建。**仅使用68张显微图像进行机器训练，就成功实现了丝状细菌和絮状细菌的分类，准确率达到97.8%**。此外，定性评估表明，深度学习模型能够在多种场景中推广机器的理解能力，并准确辨别被错误分类的丝状细菌。所提出的模型作为一种有前景的自动化工具，可用于生物反应器和澄清池中丝状细菌和絮状细菌的实时量化，为可靠运行以及污泥膨胀和膜污染问题的即时应对提供了潜力。

图片摘要

 

Highlights

• 开发了用于对丝状和絮凝物形成细菌进行分类的新框架。
• 无监督分割算法提供基本事实标记。
• 深度学习模型以最少的训练数据实现了 97.8% 的准确率。
• 利用显微图像可以实时检测微生物。
• 人工智能模型是优化废水处理过程的有前途的工具。

Keywords

Deep learning；Sludge bulking；Image segmentation；Filamentous bacteria；Floc-forming bacteria

研究背景

以往通过图像处理进行污泥膨胀早期检测的研究通常侧重于图像分类而非分割。图像分类模型有助于确定污泥膨胀的程度，而分割模型可以通过对单个显微图像进行逐像素分类来提供更多信息。因此，此类分割模型可以量化丝状细菌的比例和分布。此外，分类模型需要手动标记以准备地面实况蒙版；然而，一个完善的分割模型可以生成地面实况图像，以供进一步的机器训练应用。

该研究的首要目标是开发并验证一种稳健的分割模型算法，用于准确识别显微图像中的丝状细菌和絮凝体形成细胞。其次，目标是利用分割算法模拟构建并训练一个深度学习模型，以便在较低的计算成本下对生物废水处理中的污泥膨胀进行精确的实时监测。该研究利用专为深度学习设计的编码器-解码器神经网络架构，旨在提高微生物结构分割的效率和精度。通过将自动分割输出作为基本事实，该方法解决了诸如弱对比度、复杂形态和多变背景强度等挑战。该方法有助于实现废水处理过程中图像分析的自动化，从而提供及时准确的活性污泥监测、异常检测和工厂性能优化方法。该研究进行的全面验证和指标评估旨在确定所开发的分割方法的可靠性和有效性，从而更好地洞察活性污泥的行为，并促进废水处理优化的进步。此外，形状和颜色标准的整合以及硬颜色限制的精细过滤过程以消除错误分类的碎片，旨在优化丝状和絮凝物形成细菌的定量；从而提供更可靠的分类框架。

研究方法

研究方法分为两个阶段：1）图像分割算法；2）深度学习模型。图像分割的目标是提供一种系统的方法，逐像素标记输入图像，并将这些标记作为真实值输入。然后，监督式深度学习模型利用其卓越的预测能力学习模式，并改进已分割/标记图像的分割效果。数据集按 70:15:15 的比例分为训练集（48 幅图像）、验证集（10 幅图像）和测试集（10 幅图像）。

显微图像采集

该研究中使用的数据集来自多个不同配置的全尺寸污水处理厂。这些污水处理厂位于北美，包括：

• bioP-MABR-CAS 采用 A2O-MABR 工艺，厌氧水力停留时间(HRT) 为 1 小时，污泥停留时间(SRT) 为 13 天。

• bioP-MBR 采用 A2O-MBR 工艺，厌氧 HRT 为 2 小时，SRT 为 20 天。

该研究在一年的时间内总共拍摄了 68 张显微图像，每组图像拍摄时间大约相隔 1-2 个月，拍摄地点不同。每组图像均在收到活性污泥样品后一周内拍摄图 1显示了显微图像样本，以突出显示以平均强度测量的照明和色彩清晰度的变化。

 

图 1.具有不同背景强度（MI：平均强度）的活性污泥的显微图像样本。

真实值标注

开发了一种自动图像分割算法，通过几个步骤将图像像素分为三类：背景、丝状细菌或絮凝物形成细菌，如图 2所示。像素分类过程是通过将输入图像转换为相同大小的二维分类矩阵来实现的，从而每个像素都被分配一个类别。

 

图 2.图像分割工作流程，用于输入显微图像中的背景分离、预处理和丝状细菌和絮凝物形成细菌的分类。

分割过程面临多项挑战，每项挑战都需要量身定制的解决方案。通过利用背景亮度限制（即高“值”限制≥85%的区域）（图3 -A），可以精确分离这些连接区域，从而有效地解决了与絮凝物形成细菌边界相连的丝状元素的问题。通过策略性地操作HSV颜色空间以类似于观察到的范围，成功识别和区分了絮凝物形成细菌内尺寸超过预定孔径并被分割为背景的黑孔（图3 -B）。通过微调边缘检测过程，改进了对自由漂浮丝状细菌的识别（图3 -C）。通过结合边缘检测和加入硬颜色限制（图3 -D），降低了高密度地层中互锁的絮凝物形成细菌和丝状结构的复杂性，确保准确区分复杂的微生物结构。

 

图 3.展示挑战性任务和细菌结构的图像分割样本。

深度学习建模

该研究中，深度学习模型的算法架构包含三个主要部分：编码器层、解码器层和输出归一化层（图4 ）。首先，编码器包含两个连续的3×3卷积层，随后是一个2×2最大池化操作和一个50%的dropout层。每层的滤波器数量翻倍，增强了模型有效掌握图像中复杂结构的能力。其次，解码器包含一个2×2转置卷积层和三个后续卷积层。最终输出经过归一化层，最终到达分类层。

 

图 4.深度学习模型架构，包括训练步骤以及验证和测试。

研究结论

真实值标注

最终的分割图像证明了该方法在处理多样化背景和复杂微生物结构方面的有效性和稳健性，为后续的深入分析奠定了坚实的基础。图5中的示意图展示了图像分割算法中用于对显微图像中的丝状菌和絮状菌进行分类的多步骤模型模拟。

 

图5.使用颜色和形状标准进行图像预处理和分割的示例流程。

图 6展示了具有不同背景平均强度的分割图像样本。原始显微图像展示了不同的背景强度，强调了该方法的适应性。硬颜色限制的加入为分割过程增加了额外的特异性，减轻了在初始形状和软颜色限制组合中观察到的高估。

 

图 6.原始显微图像（A1 - A6）与真实图像分割结果（B1 - B6）的对比。蒙版颜色表示絮凝物形成细菌（红色）、丝状细菌（蓝色）和背景（白色），黄色比例尺为 100 μm。（有关此图例中颜色含义的解释，请参阅该研究的网络版。）

深度学习建模

该模型使用 58 张原始显微图像（48 张训练图像和 10 张验证图像）及其相应的标签进行训练，其中最大 epoch 数和每 epoch 步数分别设置为 100 和 3。图 7通过准确度/损失图直观地描绘了模型的收敛过程，显示预测值和实际值之间的差异逐渐缩小。

 

图 7.深度学习模型的验证和测试子集的准确度和损失图。

深度学习模型在验证集（图8）和测试集（图9 ）中均成功区分了丝状细菌和絮凝物形成细菌。深度学习模拟结果与分割算法的结果基本一致，但个别情况在定性评估中尤为突出。

 

图 8.验证结果：原始显微图像（A1 - A3）、真实值（B1 - B3）和深度学习模型输出（C1 - C3）。蒙版颜色表示絮凝物形成细菌（红色）、丝状细菌（蓝色）和背景（白色），黄色比例尺为 100 μm。（有关此图例中颜色含义的解释，请参阅该研究的网络版。）

 

图 9.测试结果：原始显微图像（A1- A3）、真实图像（B1- B3）和深度学习模型输出（C1- C3）。蒙版颜色分别表示絮凝物形成细菌（红色）、丝状细菌（蓝色）和背景（白色），黄色比例尺为 100 μm。（有关此图例中颜色含义的解释，请参阅该研究的网络版。）

量化与效能评估

综合对比丝状菌和絮状菌的定量结果，发现深度学习模型对丝状菌的估计略高于分割算法（图10）。在验证子集中，分割模型平均丝状菌占38%，絮状菌占62%，而深度学习模型预测丝状菌占41%，絮状菌占59%。同样，在测试子集中，分割模型平均丝状菌占45%，絮状菌占55%，而深度学习模型预测丝状菌占47%，絮状菌占53%。该分析表明深度学习模型在细化丝状菌和絮状菌定量分析方面的有效性，能够与自动分割计算出的真实值更加吻合。

 

图 10.应用于丝状细菌（A：验证和 C：测试）和絮凝物形成细菌（B：验证和 D：测试）的地面实况和深度学习模型的像素百分比比较。